[發明專利]信息推送方法、裝置、電子設備和計算機可讀介質

在審

• 申請號: 202010153667.0
• 申請日: 2020-03-06
• 公開（公告）號: CN111475711A
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 鐘超;劉海文;高玉龍
• 申請（專利權）人: 北京三快在線科技有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/9538;G06N3/08;G06Q30/06
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 任亞娟

本申請實施例公開了信息推送方法、裝置、電子設備和計算機可讀介質。該方法的實施例包括：分別從針對目標用戶的各候選推送信息中，提取特征向量；獲取預先離線生成的目標協方差矩陣，目標協方差矩陣為對目標用戶的行為特征序列進行協方差計算后得到的協方差矩陣，行為特征序列基于目標用戶的行為數據生成；分別確定每一候選推送信息的特征向量與目標協方差矩陣的乘積，得到各候選推送信息對應的目標特征信息；將各目標特征信息輸入至預先訓練的排序模型，得到各候選推送信息的排序結果；基于排序結果，選取候選推送信息中的目標信息，并推送目標信息。該實施方式降低了線上排序過程中的數據計算量，提高了線上數據處理效率。

技術領域

本申請實施例涉及計算機技術領域，具體涉及信息推送方法、裝置、電子設備和計算機可讀介質。

背景技術

隨著計算機技術的發展，在越來越多的場景中需要為用戶進行信息推送，以減少用戶在網絡上搜索所花的時間。例如，在用戶啟動訂餐應用時，可以主動為用戶推送一些菜品信息；在用戶瀏覽新聞頁面的過程中，可以為用戶推送其感興趣的資訊；在用戶瀏覽電商頁面的過程中，可以在其所瀏覽的產品信息中推送一些推廣的產品信息等。在推送信息之前，通常需要對所召回的候選信息進行排序，進而從中選取部分信息進行推送。

現有技術中，通常通過一些排序模型，如FNN(Factorisation-machine supportedNeural Networks，支持分解機的神經網絡)等，對召回的候選信息進行排序。然而，此類排序模型通常沒有考慮到用戶行為的時間順序，導致排序結果的準確性較低。此外，雖然存在一些能夠結合用戶行為的時間序列進行排序的排序模型，如DIN(Deep Interest Network，深度興趣網絡)，但這些模型通常采用注意力(attention)機制進行處理，在用戶行為序列較長時，這種計算方式的數據計算量較大，數據處理效率較低。

發明內容

本申請實施例提出了信息推送方法、裝置、電子設備和計算機可讀介質，以降低排序過程中的數據計算量，提高數據處理效率。

第一方面，本申請實施例提供了一種信息推送方法，該方法包括：分別從針對目標用戶的各候選推送信息中，提取特征向量；獲取預先離線生成的目標協方差矩陣，目標協方差矩陣為對目標用戶的行為特征序列進行協方差計算后得到的協方差矩陣，行為特征序列基于目標用戶的行為數據生成；分別確定每一候選推送信息的特征向量與目標協方差矩陣的乘積，得到各候選推送信息對應的目標特征信息；將各目標特征信息輸入至預先訓練的排序模型，得到各候選推送信息的排序結果；基于排序結果，選取候選推送信息中的目標信息，并推送目標信息。

第二方面，本申請實施例提供了一種信息推送裝置，該裝置包括：提取單元，被配置成分別從針對目標用戶的各候選推送信息中，提取特征向量；獲取單元，被配置成獲取預先離線生成的目標協方差矩陣，目標協方差矩陣為對目標用戶的行為特征序列進行協方差計算后得到的協方差矩陣，行為特征序列基于目標用戶的行為數據生成；確定單元，被配置成分別確定每一候選推送信息的特征向量與目標協方差矩陣的乘積，得到各候選推送信息對應的目標特征信息；排序單元，被配置成將各目標特征信息輸入至預先訓練的排序模型，得到各候選推送信息的排序結果；推送單元，被配置成基于排序結果，選取候選推送信息中的目標信息，并推送目標信息。

第三方面，本申請實施例提供了一種電子設備，包括：一個或多個處理器；存儲裝置，其上存儲有一個或多個程序，當一個或多個程序被一個或多個處理器執行，使得一個或多個處理器實現如第一方面中所描述的方法。

第四方面，本申請實施例提供了一種計算機可讀介質，其上存儲有計算機程序，該程序被處理器執行時實現如第一方面中所描述的方法。